Livscykelns faser

MLOps-driftsättning och livscykelhantering

Nemanja Radojkovic

Senior Machine Learning Engineer

Maskininlärningens livscykler

 

1. ML-projektets livscykel
2. ML-applikationens livscykel
3. ML-modellens livscykel

En modell är...

INTE något abstrakt eller teoretiskt

En modell ÄR

• en konkret, tränad modell
• redo att tas i bruk

Driftsättning

 

• Modellobjekt + driftsättningsresurser = driftsättningspaket
• Att ta vår modell i bruk = driftsättning

 

Modellövervakning

 

• Körs modellservern som förväntat?
• Är modellens in- och utdata korrekta?
• Kallas även övervakning efter driftsättning

 

Avveckling

 

 

Möjliga orsaker

• En bättre modell har tagits fram
• Mer informativa särdrag har skapats
• Den modellerade processen har förändrats och ogiltigförklarat befintlig modell

 

=> Ut med det gamla, in med det nya

Modellarkivering

• Viktigt inom reglerade branscher.

  Varför godkände din kreditriskmodell det här lånet 2020?

 

• Reproducerbarhet: möjligheten att återskapa, ladda om och använda en äldre version av en modell
  • Inte ett trivialt krav

 

Nu kör vi en övning!

MLOps-driftsättning och livscykelhantering